![](https://csdnimg.cn/release/download_crawler_static/18268883/bg1.jpg)
收稿日期:20180422;修回日期:20180619 基金项目:国家自然科学基金资助项目(61871432);湖南省自然科学基金资助项目
(
2018JJ4063,2017JJ3065,2016JJ5035,2016JJ5036);湖南省教育厅重点项目(16A059,176A052);湖南省教育厅优秀青年项目(16B071);湖南省研
究生科研创新项目(CX2017B687)
作者简介:刘美博(1991),男,湖南株洲人,硕士,主要研究方向为大数据处理;满君丰(1976),男(满族),教授,博士,主要研究方向为网络化
软件、大数据分析;彭成(1982),男(通信作者),副教授,博士,主要研究方向为工业大数据分析(chpenghut@qq.com);刘鸣(1993),男,硕士,主
要研究方向为大数据处理
.
引入隐式反馈的多维度推荐算法
刘美博,满君丰,彭 成
,刘 鸣
(湖南工业大学 计算机学院,湖南 株洲 412007)
摘 要:针对显式反馈信息作出的推荐在准确率和数据稀疏性处理上还存在缺陷的问题,引入隐式反馈信息,
设计和实现了一种引入隐式反馈的多维度推荐算法(iMCF)。该算法涵盖用户、项目和隐式反馈三个维度的信
息。对于前两个维度的信息,通过云模型相似度建模;而隐式反馈维度的信息主要是结合概率矩阵分解模型进
行处理。之后再把这三个维度得出的预测评分根据权值进行平衡,得出最终预测评分并作出推荐。实验数据表
明,该算法在召回率和准确率上的表现相对于其他算法有了较为明显的提升,且适合大数据环境。
关键词:推荐算法;隐式反馈;多维度;云模型;MapReduce
中图分类号:TP301.6 文献标志码:A 文章编号:10013695(2020)01033015805
doi:10.19734/j.issn.10013695.2018.04.0376
Multidimensionalrecommendationalgorithmbasedonimplicitfeedback
LiuMeibo,ManJunfeng,PengCheng
,LiuMing
(SchoolofComputerScience,HunanUniversityofTechnology,ZhuzhouHunan412007,China)
Abstract:Aimingattheproblemofdefectsintheaccuracyofrecommendationanddatasparseprocessingforrecommenda
tionsmadebyexplicitfeedbackinformation.Thispaperintroducedimplicitfeedbackinformation
,designedandimplementeda
multidimensionalrecommendationalgorithm(iMCF)basedonimplicitfeedback.Thealgorithmincludedthreedimensionalin
formationofuser,projectandimplicitfeedback.Forthefirsttwodimensionalinformation,itusedthesimilarityofcloudmodel
tomodel.Fortheinformationofimplicitfeedback,itmainlyusedtheprobabilisticmatrixdecompositionmodeltodealwith.Af
terwards,itbalancedthepredictionscoresobtainedfromthethreedimensionsaccordingtotheweights,andobtainedthefinal
predictionscoreandmaderecommendation.Theexperimentaldatashowsthatthealgorithm
’sperformanceintermsofrecall
rateandaccuracyissignificantlyimprovedcomparedtootheralgorithms,anditissuitableforbigdataenvironments.
Keywords:recommendationalgorithm;implicitfeedback;multidimension;cloudmodel;MapReduce
网络的迅速普及和通信方式的多样性给人们带来了极大
的便利,同时也造成了信息量的急剧增加。信息的增多带来了
越来越多的垃圾信息,如何从大量信息中筛选出人们需要的信
息就需要用到推荐系统。现今的推荐系统大多利用的是人们
的显式反馈信息
[1~4]
,如对电影的评分、对商品的评分等。但
人们的隐式反馈信息也不可忽略,如用户的浏览记录、购买记
录、对相关电影的新闻的关注度等,这些隐式反馈信息获取容
易,且信息量较大。因此,结合隐式反馈信息来进行推荐已成
为研究热点。现有主流应用的推荐算法就是协同过滤推荐算
法,主要分为基于近邻的协同过滤推荐和基于矩阵分解模型的
协同过滤。基于近邻的协同过滤推荐算法主要是通过计算相
似度找出最近邻居,再通过最近邻居进行目标用户对目标项目
的评分预测,最后作出推荐
[5,6]
。基于模型的协同过滤现今应
用最广泛的就是矩阵分解
[7,8]
,矩阵分解能够有效地缓解数据
稀疏问题,扩展性问题也得到了一定改善,但矩阵分解降维容
易造成数据失真,这会导致推荐误差较大、准确率下降。
针对上述问题,通过学习前人的研究成果,本文提出一种
引入隐式反馈的多维度推荐算法。该算法是基于 Hadoop分布
式平台来实现的,并且该算法选取了用户、项目和隐式反馈三
个维度的数据展开研究。主要贡献如下:a)充分利用了用户、
项目、隐式反馈三个维度的数据,解决了数据稀疏和单一维度
数据量稀少造成的推荐质量不高的问题;
b)有效结合了相似
度模型和矩阵分解模型,使得显式和隐式反馈数据都得到合理
应用;
c)给出了三个维度的 MapReduce实现方法,提高了该算
法的运算效率和可扩展性。
1 相关研究
11 概率矩阵分解模型
概率矩阵分解(PMF)是指在矩阵分解的基础上添加了概
率分布
[7]
。假设有 M部电影,N个用户和评分值为 1~K的评
分矩阵。令 R
ij
表示用户 i对电影 j的评分,U
∈
R
D×N
和 V
∈
R
D×M
是用户和电影的隐式特征矩阵,列向量 U
i
和 V
j
分别表
示特定用户和特定电影的隐式特征向量。本文采用高斯观测
噪声来设计概率线性模型,如图 1所示。
!
!
!
"
!
#
"
$
%
$#
#!!
!" !
&
$!!
!" !
'
!
图 1 概率线性模型
Fig.1 Probabilisticlinearmodel
将观察到的评级定义为条件分布,如式(1)所示。
第 37卷第 1期
2020年 1月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol37No1
Jan.2020